基于CMAC的PID控制在液位控制中的研究与仿真

随着工业的发展,对液位控制系统的性能提出了更高的要求,同时要求系统在较恶劣的环境下有较强的适应能力.针对工业过程的非线性、不确定性等特点,介绍了小脑模型神经网络(CMAC)的原理及基于与PID的并行控制设计,以及该设计在液位控制中的应用,并对该设计在MATLAB下进行了仿真,得到了较好的控制效果.     

基于PSO-RBF神经网络模型的原水水质评价方法及应用

针对自来水生产过程的原水水质评价问题,提出了一种基于PSO-RBF神经网络模型的原水水质评价方法.首先,根据水厂生产经验和历史数据分析,制定面向自来水生产过程的原水水质评价标准.然后,采用粒子群优化(PSO)算法训练的RBF神经网络模型,对苏州市相城水厂的进厂原水水质实施在线评价.最后,将进厂原水水质在线评价结果作为前...     

汽车自适应巡航系统中电子节气门的精确控制

在改装的捷达GTX轿车上研究ACC系统中电子节气门的控制策略.在控制方法中综合应用了多种PID算法,针对直流力矩电机机械特性对控制策略进行了优化,通过单片机的输出比较通道产生PWM以控制电机.通过实验台和实车试验,证明基于该控制策略开发电子节气门控制器的控制效果良好.     

基于PID神经网络自动换挡过程油门调速

提出了一种在AMT换挡过程中运用PID神经网络进行油门调速的方法.通过台架实验,建立了东风康明斯EQB235-20柴油发动机的油门实验模型,同时在Matlab平台上对PID神经网络进行训练,使其输出逼近理想油门实验模型.将训练后的PID神经网络移植入ECU,进行发动机调速实验.实验表明,PID神经网络有响应速度快、鲁棒性好、收敛特性好的特点,提高了车辆的自适应能力.     

基于径向基函数网络的宣城市空气质量预测

提出了一种应用人工神经网络进行空气质量预测的方法,即采用径向基函数神经网络进行短期的空气质量预测;并采用了主成分分析方法降低神经网络学习矩阵维数,浓缩预测信息,降维去噪.选取宣城市气象局2003年到2005年地面气象观测资料作为预测因子,宣城市环境保护监测中心提供的PM10、SO2浓度值作为预测对象,进行训练学习和预测验证.研究结果表明:将该方法应用于空气质量预测,效果良好,具有较强的实用性和推广能力.     

计入RBFNN重构油膜力的发动机连杆变形分析

提出了一种发动机连杆瞬态变形分析的耦合分析法。设计了一个3层径向基神经网络(RBFNN),来重构活塞组件的二维油膜力,通过连杆的耦合方程,得到了连杆两端的耦合力,进而借助商用有限元软件ANSYS分析了发动机连杆的瞬态变形,同时该耦合方法的有效性被证实。仿真结果表明:在计入二维活塞组件油膜力作用下,连杆最大变形可提前或落后于压缩行程的下止点。     

采用BP神经网络的基波高精度检测方法

提出一种基于BP(Back Propagation)神经网络的电网基波频率和幅值的高精度检测方法。正弦信号过零点两侧对称两点连线与时间轴的交点和频率满足单调关系,但并非严格的线性关系,而且与幅值无关,据此用BP神经网络建立该交点与频率的映射关系,并提出了对称点优化选取方法。仿真表明,提出的算法对频率的检测精度达到10-4,幅值的检测精度高达10-5,远远高于普通傅里叶变换(Fast Fourier Transfromation, FFT)算法和FFT加Hanning窗算法;随机噪声和谐波对该方法测量精度的影响很小,具有较强的抗干扰能力。     

柴油机EGR温度的智能控制策略

利用改进的BP神经网络算法,建立了样本柴油机排气温度的神经网络模型,通过柴油机台架实验采集柴油机转速、负荷、油耗、排气温度等参数作为神经网络模型学习样本,使用实验数据对所建立模型进行训练,并对该神经网络模型进行了误差分析,结果表明,所建神经网络模型反映了实验样机的排气温度变化规律,在测试数据范围内,排气温度辨识误差小于...     

一种估计混合动力用Ni-MH电池单体SOC的方法

搭建了混合动力汽车动力电池的性能实验平台,针对车辆实际行驶工况,在不同环境温度下对动力电池进行了相关充放电实验。利用实验系统采集到的动力电池电压与电流,采用自校正模糊神经网络控制算法对常温25℃下的动力电池荷电状态(State of Charge,SOC)进行计算,并与Arbin动力电池测试设备计算出的动力电池荷电状态进行了比较。理论分析和实验结果表明,采用自校正模糊神经网络控制算法计算出的电池SOC满足混合动力汽车电池SOC所需的精度要求。     

基于AIC方法的切换神经网络模型设计

将切换系统设计中的切换思想与神经网络相结合,构建了切换神经网络模型.根据模糊C均值（FCM）聚类方法将样本数据分为多组训练数据,每组数据对应训练一个单一神经网络模型,再利用赤池信息准则（AIC）制定相应的切换规则.根据输入数据特性,选择单一网络或多网络组合的输出作为模型输出,从而达到函数逼近目的.本模型更好地利用了各个子网络在特定区域具有较高逼近精度的特点.仿真结果表明,切换神经网络模型有较高的逼近精度.